step type amount nameOrig oldbalanceOrg newbalanceOrig nameDest
1 1 PAYMENT 9839.64 C1231006815 170136 160296.36 M1979787155
2 1 PAYMENT 1864.28 C1666544295 21249 19384.72 M2044282225
3 1 TRANSFER 181.00 C1305486145 181 0.00 C553264065
4 1 CASH_OUT 181.00 C840083671 181 0.00 C38997010
5 1 PAYMENT 11668.14 C2048537720 41554 29885.86 M1230701703
6 1 PAYMENT 7817.71 C90045638 53860 46042.29 M573487274
oldbalanceDest newbalanceDest isFraud isFlaggedFraud
1 0 0 0 0
2 0 0 0 0
3 0 0 1 0
4 21182 0 1 0
5 0 0 0 0
6 0 0 0 0Vorhersage (Klassifikation) betrügerischer Kontotransationen
Solution Engineering in R
2024-05-20
Univariate Analyse
Numerische Variablen:
Für die rechtsschiefen Variablen wird eine Log-Transformation durchgeführt, um die Verteilung zu normalisieren.
Steps
- 1 Step entspricht einer Stunde (30 Tage Simulation)
- ungleichmäßige Simulation ohne erkennbares Muster (z.B. Wochenenden)
- nur 2 Steps ohne Fraud, sonst durchschnittlich 11 Betrugsfälle pro Stunde (max. 40)
amount
- Die Beträge der Transaktionen liegen v.a. zwischen 1000,00 und 1.000.000,00 (Währung nicht angegeben)
- der Median liegt bei 74.872,00, Ausreißer gehen bis 92 Mio.
Balance
Es liegen sehr viele Nullwerte vor:
- 33% bei den Absendern vor der Transaktion, 57% nach der Transaktion
- 42% der Empfänger vor der Transaktion, 38% nach der Transaktion
Kontostände außerhalb der Nullwerte:
- die Absender hatten (wenn nicht 0) meist zwischen 1000,00 bis 10.000,00 auf dem Konto, häufige Werte gehen bis 10 Mio.
- die Empfänger hatten (wenn nicht 0) meist zwischen 100.000 und 10 Mio (vor der Transaktion) auf dem Konto
Kategoriale Variablen:
Der Anteil an isFraud und FlagFraud liegt je bei 0,13%.
Die Transaktionen Auszahlung und Bezahlung haben einen Anteil von ca. je ein Drittel, Einzahlung ist mit 22% ebenfalls oft. Überweisungen nehmen gut 8% ein, Debit weniger als 1%.
Bivariate Analyse
Korrelationsmatrix:
Eine hohe Korrelation liegt als je zwischen altem und neuen Kontostand vor (sowohl beim Sender als auch beim Empfänger). Ein gewisser positiver Zusammenhang könnte zwischen dem Betrag und dem Empfängerkonto liegen. Der negative Zusammenhang zwischen change.balanceOrg und dem neuen Kontostand des Senders ist nachvollziehbar (je mehr Geld vom Konto weggeht, desto kleiner ist der Kontostand dort anschließend.)
Density Plots im Vergleich nach Fraud-Status:
- Betrügerische Transaktionen haben tendenziell höhere Beträge.
- oldbalanceOrg liegt bei notFraud bei einem Großteil bei 0. Bei Fraud ist dies nicht der Fall
- change.balanceOrg: der abgegangene Betrag ist bei Fraud klar höher.
Barplot nach Typ und Fraud-Status:
Zu erkennen: Es sind nur betrügerische Transaktionen bei den Typen “CASH_OUT” und “TRANSFER” vorhanden. Diese werden näher betrachtet.
CASH_OUT Transaktionen:
- oldbalanceOrig: bei notFraud liegt der Betrag größtenteils bei 0, bei Fraud ist der Kontostand so ziemlich nie bei 0. Im Durchschnitt auch eindeutig höher.
- newbalanceOrig: bei Fraud liegt der Betrag dann größtenteils bei 0 (Konto geplündert).
- change.balanceOrg: nochmal zu sehen, dass der abgegangene Betrag bei Fraud klar höher ist.
TRANSFER Transaktionen
- oldbalanceOrig: bei notFraud liegt der Betrag größtenteils bei 0, bei Fraud ist der Kontostand so ziemlich nie bei 0. Im Durchschnitt auch eindeutig höher.
- oldbalanceDest & newbalanceDest: das Seltsame ist, dass Fraud ziemlich genau bei 0, aber newbalanceDest ebenfalls bei 0 liegt.
- change.balanceOrg: nochmal zu sehen, dass der abgegangene Betrag bei Fraud klar höher ist.
Confusion Matrix für flagFraud:
Überprüfung der Konten
Überprüfen, ob das Konto, von dem die Transaktion ausgeht, mehrere betrügerische Transaktionen durchführt.
nameOrig_count Frequency
1 1 8213Die allermeisten Absender (99,7%) kommen ein einziges Mal vor, der Rest taucht maximal 3x als Absender auf.
Überprüfen, ob das Konto, auf das die Transaktion erfolgt, mehrere betrügerische Transaktionen erhält.
nameDest_count Frequency
1 1 8125
2 2 44Pro Zielkonto gibt es also maximal 2 Betrugsfälle. Auffallend ist in dem Datensatz jedoch, dass Zielkonten wesentlich häufiger vorkommen: 35% sind nur einmalig Ziel von Transaktionen, einzelne Konten tauchen über 100x als Ziel auf. Dennoch wird kein “klassisches Betrugskonto” gefunden.
Überprüfen, wie viele Konten, von dem die Transaktion ausgehen, auch Transaktionen ohne Betrug durchführt haben.
Fraud_nameOrg_in_nonFraud Frequency
1 0 8185
2 1 28Die allermeisten Konten sind also ausschließlich betrügerisch, jedoch mit vereinzelten Ausnahmen.
Überprüfen, ob Transaktionen zwischen denselben Konten existieren.
Count
1 0Es gibt keine Transaktion zwischen dem selben Konto.